Cloudflare 推出多模態決策模型 Clef-omni：支援音訊與影像輸入，同步調降 Clef-flash 費用與提升推論速度
Cloudflare 發表支援音訊、影片、圖片與文字輸入的多模態決策模型 Clef-omni，以 Qwen3-Omni 為基礎架構，省略自由文字生成步驟，直接對指定題目計算選項機率。同時，官方宣布將託管版 Clef-flash 的輸入費用調降至每百萬 Token 0.038 美元， …
1210 月
主題選讀
#Vision
關於 Vision 的最新消息、技術解析與應用觀察。
主題文章
由新到舊，第 2 / 4 頁6.82M 輕量級文生圖模型 AuroraIMG-6M 技術架構與評測解析
AuroraIMG-6M 是一個參數量僅 6.82M 的極輕量文生圖模型，涵蓋文字編碼器、去噪器與 VAE，完全由零開始在 CC12M 資料集上訓練完成。本文詳細解析其架構設計、訓練流程、評測數據與硬體適用限制。
騰訊開源 5B 全模態解析模型 Youtu-Parsing-Omni：統一架構處理文件、圖表、音訊與影片
騰訊優圖實驗室發布 50 億參數規模的全模態結構化解析模型 Youtu-Parsing-Omni，主打單一編碼器與統一 OmniSchema JSON 輸出格式。
開源視覺文件解析新選擇：LightOnOCR-3-4B 架構特點與應用解析
法國人工智慧團隊 LightOn 正式開源 LightOnOCR-3-4B 模型，採用 Qwen3.5 視覺語言架構與 Apache 2.0 授權，提供整頁文字轉錄與精準視覺定位雙模式。
Liquid AI 開源決策模型 d1-3B：單次前向傳播的多模態判斷架構解析
本篇介紹 Liquid AI 開源的 3.12B 多模態決策模型 d1-3B。文章深入探討其單次前向傳播、零輸出 Token 的技術特點，整理在 Decision Index 與邊緣硬體上的延遲測試數據。
Agnes-3.0-Flash Preview：33B 多模態開放權重模型
Agnes-3.0-Flash Preview 是全新的開源多模態模型，擁有 33B 參數量與 262K 上下文長度，具備卓越的推理與編碼能力，並支援影像與影片理解，是追求高效能運算的新選擇。
Jina OCR v1：將文件解析成結構化 Markdown
Jina OCR v1 是一款專為文件解析設計的模型，將 PDF、掃描頁面與複雜版面轉成結構化 Markdown。
Horus Cyber Nano 1.0：面向資安分析的 16B 多模態 MoE 模型
Horus Cyber Nano 1.0 是 TokenAI 發布的多模態資安模型，支援文字、圖片與影片輸入。本文整理它的 MoE 架構、官方測試、部署方向與安全使用邊界。
開源最強戰力！Qwen3.8-27B 多模態模型登場，深度強化推理與 Agent 執行能力
阿里雲推出最新開源模型 Qwen3.8-27B，這款 27B 參數量模型不僅具備強大的編碼與專業任務處理能力，更原生支援影像與影片理解，並透過彈性思維控制提升 Agent 執行準確度，是目前部署便利性與效能的極佳平衡選擇。
開源長程 AI 新標竿：dots3-note Preview 模型發布，支援 512K 上下文與多模態 AI Agent 操作
Dots Studio 正式推出 dots3-note Preview，這是一款具備 280B 總參數、16B 激活參數的輕量級多模態模型。它不僅支援 512K 超長上下文，更針對複雜長程 AI Agent 任務（Agent）、自我評價能力與真實世界環境進行優化，是邁向自主進化 AI 的重 …